[论文解读] Australia's long-term electricity demand forecasting using deep neural networks

Homayoun Hamedmoghadam, Nima Joorabloo+1 more|arXiv (Cornell University)|Jan 7, 2018

Energy Load and Power Forecasting参考文献 24被引用 18

一句话总结

本文提出一种结合堆叠自编码器与多层感知机（MLP）或级联前馈MLP的深度学习方法，用于预测澳大利亚1至24个月的长期电力需求。该方法在较长预测周期（12–24个月）下显著优于经典神经网络，提升了全国电力消耗率预测的准确性。

ABSTRACT

Accurate prediction of long-term electricity demand has a significant role in demand side management and electricity network planning and operation. Demand over-estimation results in over-investment in network assets, driving up the electricity prices, while demand under-estimation may lead to under-investment resulting in unreliable and insecure electricity. In this manuscript, we apply deep neural networks to predict Australia's long-term electricity demand. A stacked autoencoder is used in combination with multilayer perceptrons or cascade-forward multilayer perceptrons to predict the nation-wide electricity consumption rates for 1-24 months ahead of time. The experimental results show that the deep structures have better performance than classical neural networks, especially for 12-month to 24-month prediction horizon.

研究动机与目标

• 为应对澳大利亚长期电力需求预测所面临的挑战，该挑战影响基础设施规划与电价制定。
• 降低因预测过高导致的过度投资或因预测过低导致的不足投资风险。
• 评估深度神经网络（特别是堆叠自编码器与MLP结合）在长期全国电力消耗预测中的表现。
• 比较深度学习模型与经典神经网络在1–24个月时间范围内的预测准确性。

提出的方法

• 使用堆叠自编码器作为预训练方法，以学习历史电力需求数据的分层表征。
• 利用多层感知机（MLP）或级联前馈MLP对堆叠自编码器提取的特征进行微调，以实现回归任务。
• 基于历史全国电力消耗数据训练模型，预测未来1至24个月的电力需求。
• 采用标准回归指标评估模型性能，并与传统前馈神经网络进行对比。
• 该架构利用深度学习捕捉长期需求趋势中复杂的时间模式与非线性依赖关系的能力。
• 级联前馈结构可加快训练速度并提升网络中的信息流动效率。

实验结果

研究问题

• RQ1 与经典神经网络相比，采用堆叠自编码器的深度神经网络是否能提升长期电力需求预测的准确性？
• RQ2 所提出的深度学习模型在不同预测周期（1–24个月）下的表现如何变化？
• RQ3 通过堆叠自编码器进行预训练是否能增强特征学习能力并提升长期需求预测性能？
• RQ4 在本预测场景中，级联前馈MLP架构是否比标准MLP更具有效性？

主要发现

• 采用堆叠自编码器预训练的深度神经网络模型在长期电力需求预测中显著优于经典神经网络。
• 性能提升在较长预测周期中最为明显，尤其在12至24个月区间。
• 堆叠自编码器能有效捕捉历史电力需求数据中的潜在模式，增强下游预测的特征表征能力。
• 在相同实验设置下，级联前馈MLP变体表现出更好的收敛性与性能。
• 该模型在所有测试预测周期中均表现出强鲁棒性与更低的误差率，其中12–24个月区间的准确率提升最为显著。